该论文关注基于溯源图（provenance graph）的入侵检测系统（PIDS）在检测高级持续性威胁（APT）时的统计偏差问题。现有 PIDS 方法普遍把系统调用/系统交互形成的各类关系（relation）同等对待，忽略了关系之间巨大的统计异质性——作者指出在 CADETS 数据集中，不同关系类型的出现频率差异可达约 14 万倍。这种极端不平衡带来两个后果：一是模型训练时会被高频关系主导，稀有但往往更具判别力的交互模式被淹没；二是不同关系上正常（良性）行为本身的误差分布本就不同，模型却用同一把尺子衡量重建误差，导致阈值判定失真，既抬高误报率（FPR），又增加漏报风险。针对这一问题，作者提出 RECAL，一个无监督框架。其核心有两点：第一，采用关系平衡的掩码图学习（relation-balanced masked graph learning），在自监督重建任务中平衡各关系类型的贡献，使模型能够更好地刻画和捕获稀有交互模式；第二，对重建误差按关系类型各自的良性误差分布进行校准（calibration），把不同尺度、不同方差的原始误差映射为可相互比较的异常证据，从而更可靠地区分攻击行为与良性行为，降低误报。作者在三个 DARPA E3 数据集上进行了评测：RECAL 的 F1 分数分别达到 99.99%、99.93% 和 99.99%，相较各数据集上最佳基线分别提升 0.88、0.82 和 0.42 个百分点；与报告中 FPR 最低的基线相比，平均 FPR 分别降低约 105 倍、4 倍和 41 倍。整体贡献可概括为：揭示了关系频率不平衡与误差尺度不一致对 PIDS 的负面影响，给出了一种无需攻击标签的关系平衡+误差校准的无监督检测方案，并在标准 APT 数据集上显著改善了误报与检出性能。该工作适合主机侧威胁检测、溯源图分析、EDR/审计日志异常检测方向的研究与工程人员阅读。

本文针对剥离二进制中恢复间接控制流（ICF）边的问题。现有方法难以处理长距离依赖，隔离不同ICF类型，并常在易受标签噪声和数据泄漏影响的协议下评估。作者提出ICFlowNet，一个统一框架，用于剥离二进制的长程间接控制流预测。ICFlowNet引入候选感知的双虚拟枢纽：全局代码枢纽和全局数据枢纽，以创建远程代码与数据证据之间的短路由路径，并结合多任务图学习联合建模间接调用、间接尾部调用、跳转表和返回。为可信评估，作者开发了感知泄漏、控制噪声的流程，包括包级拆分、函数级助记符哈希去重，以及由动态正例和绝对负例构成的干净测试协议。利用该流程，他们构建了15,901个唯一剥离x86-64二进制的数据集，其中1,351个具有动态真实标签。实验表明，仅扩展静态监督收益有限，而结构设计和多任务设计至关重要：双虚拟枢纽将长程F1提升达9.13个百分点，多任务学习增加达5.81个百分点，最终模型在长程间接调用上比先前基线高出超过13个F1点，同时仅增加11.44%的拓扑开销。这项研究为二进制安全分析中的CFG重建提供了更精确、可扩展的解决方案，并建立了严格的评估标准。

本文提出 DOITRUST，一种基于图学习的链上受损域名检测方法。传统的域名黑/白名单通常不完整且具有被动性，为此作者首先构建了扩展图（expansion graph），通过爬取超链接并基于信任传递性有机生成互联网域名白名单。然而，在这种扩展图中，恶意节点可能沿着受损网站的路径深埋其中，形成所谓的“链上受损”（on-chain compromise），其隐蔽性和大规模特性使得现有恶意分析难以适用。为了揭示链上受损，DOITRUST 采用两阶段集成方案：第一阶段，开发半监督的怀疑预测方案，利用节点特征和图拓扑信息预测节点成为受损目标（即拒绝域名）的概率，包括一种新颖的节点排名方法作为高效全局传播机制，以及可扩展的图学习方案将全局传播与局部预测模型训练分离；第二阶段，基于怀疑预测结果提出高效剪枝策略，进一步从爬取的图中移除高度可疑节点，并分析底层受损指标。实验表明，DOITRUST 在使用不到 1% 的标记节点进行怀疑预测时即可达到 90% 的准确率，其学习能力优于现有的基于节点和基于结构的方法。此外，该模型具有可移植性和实用性。人工审查发现至少 94.55% 的检测节点含有可疑内容，并调查了链上受损的底层指标。

本文针对安卓应用中恶意软件通过应用推广广告（app promotion ads）分发的新趋势，提出了一种名为ADGPE（App promotion ad Detection via Graph learning and UI Exploration）的自动化检测与解释方法。研究背景是：应用开发者常嵌入推广其他应用的广告，但广告内容审核不足，导致恶意开发者利用这些广告作为恶意软件的新分发渠道。核心问题是如何自动收集应用推广广告、检测其中推广的恶意软件，并解释恶意软件采用的推广机制。方法上，ADGPE协同整合了应用用户界面（UI）探索与图学习技术：首先通过UI探索自动收集应用内的推广广告，构建应用推广图（App Promotion Graph）；然后利用图神经网络（GNN）对节点（应用）进行分类，检测恶意软件；最后通过路径推断模型揭示恶意软件的推广机制。实验基于18,627个应用推广广告数据，结果表明：从应用推广广告下载应用时遇到恶意软件的概率比Google Play高出数百倍；主流广告网络（如Google AdMob、Unity Ads、Applovin）被恶意开发者利用来传播各种恶意软件，包括激进广告软件、流氓安全软件、木马和勒索软件。UI探索技术相比现有方法在相同时间内多发现24%的推广广告。恶意软件检测模型在F1分数上比现有最佳技术提升5.17%（从90.14%提升至95.31%），并检测到28个最初被VirusTotal标记为良性但六个月后被标记为恶意/潜在有害应用（PUA）的应用。路径推断模型揭示了两种恶意软件推广机制：通过硬编码广告的自定义广告推广，以及通过与广告服务器（如AdMob和Applovin）交互的广告库推广。这些发现揭示了应用推广广告的关键安全风险，并证明了ADGPE结合动态程序分析与图学习在研究应用推广广告恶意软件分发方面的有效性。

该论文针对分布式环境下局部图数据的隐私保护问题展开研究。随着社交网络、移动应用和边缘计算等场景的普及，图结构数据越来越多地以去中心化方式生成和存储，用户对自身局部图数据拥有控制权。然而，在利用这些数据进行下游学习任务时，节点及其属性常包含敏感个人信息，隐私泄露风险突出。局部差分隐私（LDP）作为一种不依赖可信服务器的隐私保护数据收集技术，已有相关图学习方法，但现有方法均假设所有用户具有统一的隐私需求，忽略了实际系统中用户隐私偏好的异质性和个性化。这种统一处理导致数据收集阶段噪声注入僵化，图数据严重失真，后续分析效用下降。针对上述局限，论文提出了PPGNN——一个面向去中心化图数据的个性化差分隐私框架。PPGNN允许用户在执行局部扰动时设定自己的隐私预算，同时保持分析效用。为处理异质隐私水平与噪声失真，论文设计了两阶段解决方案：个性化扰动机制（PPM）和加权校准策略FlexProp。PPM根据每个用户的个性化隐私预算对局部图数据进行扰动；FlexProp通过权重校准减少因不同隐私预算引入的偏差。在六个真实图数据集上的大量实验表明，PPGNN在去中心化图学习场景中有效平衡了个性化隐私保护与数据效用。该工作首次系统地解决了图数据上的个性化差分隐私问题，为联邦图学习、社交网络分析等隐私敏感型应用提供了理论基础与实用方法。